本文总结了排序模型在测试数据集上的效果，包括逻辑回归、GBDT和混合模型的性能对比，强调了离线评估的AUC和在线业务指标如平均点击位置的重要性。还探讨了特征维度，如用户、商品和上下文特征，以及特征数量对模型的影响，并展望了工业界排序技术的多目标学习和强化学习应用。
文章目录
第11章排序模型总结与回顾
-
model在测试数据集效果回顾
1、逻辑回归模型、gbdt模型、gbdt模型与逻辑回归混合模型以及wd模型在测试数据集上的效果进行一下简单的回顾 -
LTR中特征维度浅析
2、我们会对工业界实际项目中建立排序模型所使用的特征进行一下简单的浅析。
-
工业界Rank技术展望
3、对工业界的排序技术进行一下展望
一、model在测试数据集效果回顾
1、效果回顾
下面首先来回顾一下各模型在测试数据集上的表现。由于我们各Rank模型在线上实际使用时呢是对item进行打分，然后呢不同的item按照这个得分的展现给用户，所以呢我们这里更加关心的是模型对于我们item预测得分序的关系，所以呢也就是AUC我们这里从我们模型交叉验证得到的AUC以及模型在测试数据集表现的AUC两点的进行一下回顾。
我们在排序部分的重点介绍了四种模型分别是逻辑回归、GBDT、GBDT与逻辑回归的混合模型以及我们基于深度学习的WD模型。
首先呢从我们的模型交叉验证的效果来看一下GBDT与逻辑回归的混合模型的表现要好于GBDT。GBDT要好于我们的逻辑回归模型，由于我们的WD并没有采用我行交叉验证的方式呢，去评估，所以这里没有数据。好了&
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
